Geri Dön

Derin öğrenme yönteminin yüzün fotoğrafik incelenmesindeki etkinliğinin değerlendirilmesi

Determination of the effectiveness of deep learning method in facial photographic evaluation

  1. Tez No: 844226
  2. Yazar: MEHMET RIDVAN DEMİR
  3. Danışmanlar: DOÇ. DR. ALİ KİKİ
  4. Tez Türü: Doktora
  5. Konular: Diş Hekimliği, Dentistry
  6. Anahtar Kelimeler: Anatomik işaretler, dental fotoğrafi, derin öğrenme, yapay zeka, Anatomic landmarks, artificial intelligence, deep learning, dental photography
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Atatürk Üniversitesi
  10. Enstitü: Sağlık Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Ortodonti Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 109

Özet

Amaç: Ortodontik yüz fotoğraflarının kantitatif analizleri, anatomik referans noktalarının tespit edilmesiyle başlar. Bu tez çalışmasının amacı derin öğrenme yöntemiyle yüz fotoğraflarındaki anatomik referans noktalarının tespit edilmesi ve geliştirilen derin öğrenme modelinin performansının değerlendirilmesidir. Materyal ve Metot: Bu çalışmada, derin öğrenme modelinin geliştirilmesi için 2872 yüz fotoğrafı ve 39 anatomik referans noktası kullanılmıştır. Model eğitimi için iki derin öğrenme mimarisi kullanılmıştır: PIPNet ve omurga ağı olarak kullanılan ResNet101. Model eğitimi, 2100 görüntüden oluşan bir eğitim veri kümesi ve 772 görüntüden oluşan bir test veri kümesi oluşturularak gerçekleştirilmiştir. Ortalama radyal hata ve başarı tespit oranı ölçütleri kullanılarak derin öğrenme modelinin performansı değerlendirilmiştir. Bulgular: Geliştirilen derin öğrenme modelinin ortalama radyal hata değeri 1.82 ± 2.56 mm olarak hesaplanmıştır. Model tahminleri 1.0 mm, 1.5 mm, 2.0 mm, 2.5 mm, 2.5 mm, 3.0 mm ve 4.0 mm hassasiyet aralıklarında sırasıyla %43.93, %61.96, %73.17, %80.89, %85.83 ve %91.98 başarı tespit oranlarına ulaşmıştır. Çalışma kapsamındaki 39 anatomik referans noktası içinden sağ pupil noktasının en düşük hata değerine ve en yüksek başarı tespit oranına sahip olduğu tespit edilmiştir. Sonuç: Geliştirilen derin öğrenme modeli, anatomik referans noktalarını tahmin etmede kabul edilebilir başarı tespit oranı göstermiştir: 2.0 mm hassasiyet aralığında %73.17 başarı tespit oranı. Daha iyi model performansı için geniş veri setlerinin kullanılması ve farklı yapay zeka mimarilerinin entegrasyonu faydalı olabilir.

Özet (Çeviri)

Aim: Quantitative analysis of orthodontic facial photographs begins with the identification of anatomical landmarks. The aim of this study is to detect landmarks on the face with deep learning and to evaluate the performance of the developed deep learning model. Material and method: In this study, 2872 facial photographs and 39 anatomical landmarks were used to develop the deep learning model. Two deep learning architectures were used for model training: PIPNet architecture and ResNet101 architecture used as a backbone network. Model training was performed by creating a training dataset of 2100 images and a test dataset of 772 images. The performance of the resulting deep learning model was evaluated using average radial error and successful detection rate metrics. Results: The average radial error of the developed deep learning model was calculated as 1.82 ± 2.56 mm. The model predictions achieved 43.93%, 61.96%, 73.17%, 80.89%, 85.83% and 91.98% successful detection rates in the precision ranges of 1.0 mm, 1.5 mm, 2.0 mm, 2.5 mm, 2.5 mm, 2.5 mm, 3.0 mm, and 4.0 mm, respectively. Among the 39 anatomical landmarks in the study, it was determined that the right pupil point had the lowest error value and highest successful detection rate. Conclusion: The developed deep learning model was found an acceptable success rate in predicting anatomical landmarks: 73.17% succesful detection rate in 2.0 mm sensitivity range. For better model performance, the use of large datasets and the integration of different artificial intelligence architectures can be beneficial.

Benzer Tezler

  1. Gabor dalgacık dönüşümüne dayalı evrişimli sinir ağlarını kullanarak insan yüzü tanıma sistem

    Human face recognition system with convolutional neural network based on gabor wavelet transform

    SALIMAH ALI SALIM ALMARAGHNI

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKastamonu Üniversitesi

    Malzeme Bilimi ve Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÜMİT TOKEŞER

  2. Derin öğrenme tabanlı yöntemler ile GPR görüntülerinde obje tespiti

    Object detection in GPR images with deep learning based methods

    ORHAN APAYDIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Jeofizik Mühendisliğiİstanbul Teknik Üniversitesi

    Jeofizik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TURGAY İŞSEVEN

  3. On real-world face super-resolution and face image synthesis evaluation

    Gerçek dünya yüz süper çözünürlüğü ve yüz görüntüsü sentezi değerlendirmesi üzerine

    ERDİ SARITAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HAZIM KEMAL EKENEL

  4. Development of operation and maintenance strategies for offshore wind industry based on big data management

    Büyük veri yönetimi ile açık deniz rüzgar endüstrisinde işletme ve bakım stratejilerinin geliştirilmesi

    UWE LUETZEN

    Doktora

    İngilizce

    İngilizce

    2024

    Enerjiİstanbul Teknik Üniversitesi

    Gemi ve Deniz Teknoloji Mühendisliği Ana Bilim Dalı

    PROF. DR. SERDAR BEJİ

  5. Derin öğrenme ağları kullanılarak 3B tıbbi görüntü tanımlanması

    3D medical image recognition using deep learning networks

    ROUBA OMAR ALAHMAD ALOSMAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Mühendislik BilimleriSakarya Üniversitesi

    Bilişim Sistemleri Mühendisliği Ana Bilim Dalı

    PROF. DR. İSMAİL HAKKI CEDİMOĞLU